研究者提出联邦零阶优化的精确遗忘方法 FedZOUL
热点事件持续更新
研究者提出联邦零阶优化的精确遗忘方法 FedZOUL
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
Weijun Yin 等人在 arXiv 发布论文，针对联邦零阶优化（FedZOO）提出精确遗忘方法：利用算法的总变差稳定性使删除数据前后的模型分布重叠，从而复用已有计算。研究设计了 FedZOO-S 与 FedZOO-NS 两种稳定学习算法及对应遗忘流程，并证明遗忘后的模型与保存状态和基于保留数据的重训练具有相同联合分布。 论文的实验显示，遗忘后模型效用具有竞争力，累积遗忘时间最多比重新优化减少 56.1%；与一阶基线相比，通信开销最多降低约四个数量级。
AI 根据报道生成 · 38 分钟前更新
最新进展10月27日 12:00
联邦零阶优化的高效精确遗忘方法 FedZOUL报道时间线
沿着报道，了解事件的不同侧面。
10月27日
- arXiv cs.AI联邦零阶优化的高效精确遗忘方法 FedZOUL
一项 arXiv 研究针对联邦零阶优化（FedZOO）提出精确遗忘方案，利用算法的总变差稳定性使删除前后模型分布重叠，从而复用计算。研究设计了 FedZOO-S 与 FedZOO-NS 两种稳定学习算法及对应的精确遗忘流程，证明遗忘后模型与重训练具有相同联合分布，累积遗忘时间最多比重新优化减少 56.1%，与一阶基线相比通信开销最多降低约四个数量级。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。